Forecasts mit externen Signalen, kuratiert auf die stärksten Beispiele
Diese Seite zeigt ausschließlich TiRex-2-Ergebnisse: reale Zielreihen, passende Covariates, ausgewählte Forecast-Fenster und zusammengefasste Benchmarkmetriken. Die Auswahl priorisiert fachliche Anschlussfähigkeit für Energie, Asset-Zustand und wetter-/kalendergetriebene Nachfrage.
kuratierte Showcase-Fenster aus öffentlichen Zeitreihen.
ausgewählte Horizonte nach Signalqualität und Lesbarkeit.
externe Variablen in den besten Demand- und Lastfällen.
historischer Kontext je Forecast-Origin.
Auswahlprinzip
Aus allen gerechneten öffentlichen Zeitreihen wurden die Kombinationen gewählt, die als Showcase am meisten tragen: niedriger relativer Fehler, klare visuelle Profiltreue, fachlich sinnvolle Covariates und ein Horizont, der nicht nur statistisch gut, sondern operativ erklärbar ist.
Stromlast und PV
Last nutzt Temperatur- und Kalendersignale. PV nutzt Wetter-/Solarvariablen; relative Fehlermaße sind wegen Nachtstunden vorsichtig zu lesen.
Transformer-Temperatur
Öltemperatur ist ein geeigneter Zustandsindikator: Lastsignale erklären thermische Dynamik und ermöglichen PdM-nahe Forecasts.
Mobilität und Gebäude
Bike Sharing und Gebäude-Energie zeigen, wie Wetter, Kalender und Betriebszustände in kurzfristige Nachfrageprognosen einfließen.
Showcase-Übersicht
Die Grafik fasst die ausgewählten Forecast-Fenster über sMAPE zusammen. Bei PV ist der Wert durch viele Null- oder Nahe-Null-Stunden überhöht; dort ist die Profilgrafik und der MAE die bessere Lesart.
Stromlast: 12 Stunden
Das stärkste Lastfenster zeigt ein sehr präzises Tagesprofil. Temperaturreihen und Kalenderfeatures passen fachlich direkt zur Lastbildung und machen den Forecast für Dispatch-, Beschaffungs- und Betriebsplanung gut interpretierbar.
Kennzahlen
- Fenster: 27.11.2011, 12:00-23:00.
- MAE: 1.94, RMSE: 2.41.
- sMAPE: 1.71%.
- Covariates: 34 Wetter-/Kalendersignale.
Transformer-Öltemperatur: 24 Stunden
Öltemperatur verbindet Lastverlauf und Asset-Zustand. Das ausgewählte 24h-Fenster ist fachlich besonders passend, weil der Forecast eine tägliche thermische Entwicklung abbildet, nicht nur einen kurzen Ausschnitt.
Kennzahlen
- Fenster: 20.06.2018 20:00 bis 21.06.2018 19:00.
- MAE: 0.33, RMSE: 0.38.
- sMAPE: 3.69%.
- Covariates: 12 Last- und Kalendersignale.
PV-Erzeugung: 1 Woche
Für PV ist der Wochenhorizont als Showcase stärker als ein einzelner Kurzhorizont, weil mehrere Tagesprofile sichtbar werden. Der Forecast nutzt Wetter-/Solarvariablen und bildet die wiederkehrenden Produktionsfenster ab.
Kennzahlen
- Fenster: 17.06.2014 01:00 bis 24.06.2014 00:00.
- MAE: 0.041, RMSE: 0.085.
- sMAPE: 133.7%, wegen Nacht-/Nahe-Null-Werten nur eingeschränkt interpretierbar.
- Covariates: 18 Wetter-, Solar- und Kalendersignale.
Seoul Bike Sharing: 12 Stunden
Bike Sharing ist kein Energie-Use-Case, aber ein guter Stresstest für wetter- und kalendergetriebene Nachfrage. Das 12h-Fenster zeigt einen kompakten Forecast mit Temperatur, Niederschlag, Solarstrahlung, Feiertagen und Betriebsstatus.
Kennzahlen
- Fenster: 30.11.2018, 00:00-11:00.
- MAE: 30.68, RMSE: 40.91.
- sMAPE: 7.37%.
- Covariates: 20 Wetter-/Kalender-/Betriebssignale.
Gebäude-Energie: 1 Woche
Der Appliances-Datensatz ist als Smart-Building-Analogie interessant: Innenraumtemperaturen, Luftfeuchte, Außenwetter, Licht und Kalenderfeatures beeinflussen den Geräteverbrauch. Das beste Wochenfenster bleibt trotz einzelner Spitzen gut lesbar.
Kennzahlen
- Fenster: 13.05.2016 19:00 bis 20.05.2016 18:00.
- MAE: 20.48, RMSE: 36.78.
- sMAPE: 20.74%.
- Covariates: 31 Raumklima-, Wetter-, Licht- und Kalendersignale.
TiRex-2 Benchmark-Zusammenfassung
Die Tabelle enthält nur TiRex-2-Metriken. Unterschiedliche Zielgrößen haben unterschiedliche Einheiten; daher sind MAE/RMSE innerhalb eines Datensatzes zu lesen, während sMAPE eine grobe relative Orientierung liefert.
| Datensatz | Bester Showcase-Horizont | Alle gerechneten Horizonte | Bestes Showcase-Fenster | MAE | RMSE | sMAPE | Covariates |
|---|---|---|---|---|---|---|---|
| GEFCom2014 Stromlast | 12h | 12h, 24h, 48h, 1 Woche | 27.11.2011 12:00-23:00 | 1.94 | 2.41 | 1.71% | 34 |
| Transformer-Öltemperatur | 24h | 12h, 24h, 48h, 1 Woche | 20.06.2018 20:00 bis 21.06.2018 19:00 | 0.33 | 0.38 | 3.69% | 12 |
| GEFCom2014 PV-Erzeugung | 1 Woche | 12h, 24h, 48h, 1 Woche | 17.06.2014 01:00 bis 24.06.2014 00:00 | 0.041 | 0.085 | 133.7% | 18 |
| Seoul Bike Sharing | 12h | 12h, 24h, 48h, 1 Woche | 30.11.2018 00:00-11:00 | 30.68 | 40.91 | 7.37% | 20 |
| Appliances Energy | 1 Woche | 12h, 24h, 48h, 1 Woche | 13.05.2016 19:00 bis 20.05.2016 18:00 | 20.48 | 36.78 | 20.74% | 31 |
| UCI Bike Sharing Hourly | nicht kuratiert | 12h, 24h, 48h, 1 Woche | vollständig in CSV | siehe CSV | siehe CSV | siehe CSV | 18 |
Fazit
TiRex-2 wirkt als Showcase besonders überzeugend, wenn die externen Variablen echte Vorhersagesignale tragen: Temperatur und Kalender für Last, Lastmessungen für Asset-Temperatur, Wetter/Solarvariablen für PV und Wetter-/Betriebsdaten für Nachfrage. Die stärkste KELAG-nahe Story bleibt die Kombination aus Last, PV und Asset-Zustand.
Beste Demo-Reihenfolge
- 1. Stromlast 12h: schnell verständlich, sehr niedriger relativer Fehler.
- 2. Transformer 24h: Brücke zu Predictive Maintenance.
- 3. PV 1 Woche: wetterabhängige Erzeugung mit mehreren Tageszyklen.
- 4. Gebäude und Mobilität: Transfer auf weitere multivariate Nachfrageprobleme.